GLM-4.6V レビュー：日本語のレシートを少ないトークンで正確に読むビジョンモデル

結論から言うと、GLM-4.6V（glm-4.6v）は、日本語の書類画像を少ないトークンで正確に読み取りたいときの有力候補です。レシート画像からの抽出は全項目正確で、入力は今回比べた中で最も少ない647トークンでした。テキストのタスクでも敬語や算数は正解です。弱点は速度で、推論に時間をかけるため1回の応答に20秒〜2分かかりました。

概要

GLM-4.6V は Z.ai（旧 Zhipu AI）が2025年12月に公開したビジョン言語モデルです。

• 文脈長：約13万トークン
• 入力：テキスト・画像・動画
• 出力：テキスト
• ツール呼び出しに対応。回答の前に推論を行う

画像の読み取り：日本語のレシート

飲食店のレシート画像を渡し、店名・日時・品目・軽減税率の対象・インボイス登録番号を JSON で返させました。

• 全項目を正確に抽出。日時は +09:00 付きの ISO 8601 で返した
• 「※」の付いた品目を軽減税率（8%）の対象と正しく判定
• インボイスの登録番号（T から始まる13桁）も正確
• 画像の入力は 647トークン

同じ画像で、GPT-4.1 nano は 1,220 トークン、GPT-4o mini は 25,568 トークンでした。画像の入力トークンはモデルごとの数え方で大きく変わるため、大量の書類を処理する場合は差がそのままコストになります。

日本語で試した結果

同じ5つの日本語タスクを複数のモデルに投げて比べました。

回答の中身は正確です。算数の題は、わざと整数解が出ない数字にしてありますが、GLM-4.6V は誤答をでっち上げず、解がないことを指摘しました。

気になるのは2点です。一つは、ほぼすべての回答が「はい、承知いたしました。」で始まること。アプリに組み込むなら、システムプロンプトで前置きを省くよう指示すると扱いやすくなります。もう一つは推論の長さで、出力の8〜9割が推論トークンでした。

コストと速度

• 推論トークンは出力トークンとして課金される。短い回答でも出力は1,500〜3,600トークンになった
• 一方で画像の入力トークンは少ない。書類の読み取りを大量に行う処理ではコスト面で有利
• 応答が遅いため、対話型 UI よりバックグラウンド処理向き

円建ての単価は料金ページでご確認ください。

向いている用途／向かない用途

向いている：

• レシート・請求書・帳票など、日本語の書類画像からのデータ抽出
• 画像や動画を含む資料の分析
• 結果を待てるバッチ処理

向かない：

• 数秒以内の応答が必要なチャット
• 画像を使わないテキストだけの処理（より速いモデルがある）

よくある質問

Q. GLM-4.6V は画像内の日本語の文字を正確に読めますか？ 今回のレシートでは、店名・日時・品目・金額・インボイス登録番号まで正確に読み取りました。

Q. GLM-4.6V の応答が遅いのはなぜですか？ 回答の前に推論を行うためです。今回は出力の大半が推論トークンでした。

Q. GLM-4.6V に動画も入力できますか？ モデルとしては動画入力に対応しています。ただし今回の検証は画像だけで行ったため、動画は実際の素材で試してから採用してください。

FastMetal で試す

curl https://api.fastmetal.ai/v1/chat/completions \
  -H "Authorization: Bearer $FASTMETAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-4.6v",
    "messages": [{
      "role": "user",
      "content": [
        {"type": "text", "text": "このレシートの店名・日時・合計金額をJSONで出力してください。"},
        {"type": "image_url", "image_url": {"url": "https://example.com/receipt.jpg"}}
      ]
    }]
  }'

同じ API キー・同じ円建て残高のまま、他のモデルと model を差し替えて比べられます。対応モデルはモデルカタログでご確認ください。